scipy.signal.ShortTimeFFT.

频谱图#

ShortTimeFFT.spectrogram(x, y=None, detr=None, *, p0=None, p1=None, k_offset=0, padding='zeros', axis=-1)[source]#

计算频谱图或互频谱图。

频谱图是短时傅里叶变换(STFT)的绝对平方,即对于给定的 S[q,p],它是 abs(S[q,p])**2,因此总是非负的。对于两个STFT Sx[q,p], Sy[q,p],互频谱图定义为 Sx[q,p] * np.conj(Sy[q,p]),并且是复数值的。这是一个调用 stft / stft_detrend 的便捷函数,因此所有参数都在那里讨论。

参数:
xnp.ndarray

输入信号,可以是实值或复值数组。对于复数值,属性 fft_mode 必须设置为 'twosided' 或 'centered'。

ynp.ndarray

第二个输入信号,与 x 具有相同的形状。如果为 None,则假定为 x。对于复数值,属性 fft_mode 必须设置为 'twosided' 或 'centered'。

detr‘linear’ | ‘constant’ | Callable[[np.ndarray], np.ndarray] | None

如果设置为 'constant',则减去均值;如果设置为 'linear',则从每个段中移除线性趋势。这通过调用 detrend 实现。如果 detr 是一个带有一个参数的函数,则 detr 将应用于每个段。对于 None(默认),不移除趋势。

p0int | None

要计算的切片范围的第一个元素。如果为 None,则将其设置为 p_min,即最小可能的切片。

p1int | None

数组的末尾。如果为 None,则使用 p_max(n)

k_offsetint

x 中第一个样本(t = 0)的索引。

padding‘zeros’ | ‘edge’ | ‘even’ | ‘odd’

当滑动窗口超出输入 x 的下端或上端时,添加的值的类型。如果设置为默认的 'zeros',则添加零。对于 'edge',使用 x 的第一个或最后一个值。'even' 通过在第一个或最后一个样本上反射信号来填充,'odd' 额外乘以 -1。

axisint

计算 STFT 时 x 的轴。如果未给出,则使用最后一个轴。

返回:
S_xynp.ndarray

如果 x is yyNone,则返回一个非负实值数组。其维度总是比 x 大一。最后一个轴总是代表频谱图的时间切片。axis 定义频率轴(默认为倒数第二个轴)。例如,对于一维 x,返回一个复杂的二维数组,其中轴 0 代表频率,轴 1 代表时间切片。

另请参阅

stft

执行短时傅里叶变换。

stft_detrend

从每个段中减去趋势的 STFT。

scipy.signal.ShortTimeFFT

此方法所属的类。

说明

互频谱图可以解释为互谱密度的时间-频率模拟量(请参阅 csd)。互频谱图 Sxy 的绝对平方 |Sxy|² 除以频谱图 SxxSyy 可以解释为相干频谱图 Cxy := abs(Sxy)**2 / (Sxx*Syy),这是 coherence 的时间-频率模拟量。

如果 STFT 被参数化为酉变换,即利用 from_win_equals_dual,则标量积的值以及能量都得以保留。

示例

以下示例展示了以 20 Hz 采样、频率 \(f_i(t)\)(在图中用绿色虚线标记)变化的方波的频谱图。所用的高斯窗长为 50 个样本或 2.5 秒。对于 ShortTimeFFT,选择了参数 mfft=800(过采样因子 16)和 hop 间隔 2,以产生足够多的点。

由于功率谱密度以 dB 为单位,绘图的颜色映射按对数比例缩放。信号 x 的时间范围由垂直虚线标记,阴影区域表示边界效应的存在。

>>> import matplotlib.pyplot as plt
>>> import numpy as np
>>> from scipy.signal import square, ShortTimeFFT
>>> from scipy.signal.windows import gaussian
...
>>> T_x, N = 1 / 20, 1000  # 20 Hz sampling rate for 50 s signal
>>> t_x = np.arange(N) * T_x  # time indexes for signal
>>> f_i = 5e-3*(t_x - t_x[N // 3])**2 + 1  # varying frequency
>>> x = square(2*np.pi*np.cumsum(f_i)*T_x)  # the signal
...
>>> g_std = 12  # standard deviation for Gaussian window in samples
>>> win = gaussian(50, std=g_std, sym=True)  # symmetric Gaussian wind.
>>> SFT = ShortTimeFFT(win, hop=2, fs=1/T_x, mfft=800, scale_to='psd')
>>> Sx2 = SFT.spectrogram(x)  # calculate absolute square of STFT
...
>>> fig1, ax1 = plt.subplots(figsize=(6., 4.))  # enlarge plot a bit
>>> t_lo, t_hi = SFT.extent(N)[:2]  # time range of plot
>>> ax1.set_title(rf"Spectrogram ({SFT.m_num*SFT.T:g}$\,s$ Gaussian " +
...               rf"window, $\sigma_t={g_std*SFT.T:g}\,$s)")
>>> ax1.set(xlabel=f"Time $t$ in seconds ({SFT.p_num(N)} slices, " +
...                rf"$\Delta t = {SFT.delta_t:g}\,$s)",
...         ylabel=f"Freq. $f$ in Hz ({SFT.f_pts} bins, " +
...                rf"$\Delta f = {SFT.delta_f:g}\,$Hz)",
...         xlim=(t_lo, t_hi))
>>> Sx_dB = 10 * np.log10(np.fmax(Sx2, 1e-4))  # limit range to -40 dB
>>> im1 = ax1.imshow(Sx_dB, origin='lower', aspect='auto',
...                  extent=SFT.extent(N), cmap='magma')
>>> ax1.plot(t_x, f_i, 'g--', alpha=.5, label='$f_i(t)$')
>>> fig1.colorbar(im1, label='Power Spectral Density ' +
...                          r"$20\,\log_{10}|S_x(t, f)|$ in dB")
...
>>> # Shade areas where window slices stick out to the side:
>>> for t0_, t1_ in [(t_lo, SFT.lower_border_end[0] * SFT.T),
...                  (SFT.upper_border_begin(N)[0] * SFT.T, t_hi)]:
...     ax1.axvspan(t0_, t1_, color='w', linewidth=0, alpha=.3)
>>> for t_ in [0, N * SFT.T]:  # mark signal borders with vertical line
...     ax1.axvline(t_, color='c', linestyle='--', alpha=0.5)
>>> ax1.legend()
>>> fig1.tight_layout()
>>> plt.show()
../../_images/scipy-signal-ShortTimeFFT-spectrogram-1_00_00.png

对数缩放揭示了方波的奇次谐波,这些谐波在 10 Hz 的奈奎斯特频率处反射。这种混叠也是图中噪声伪影的主要来源。